Mistral發佈Voxtral 3：把語音識別、推理和工具調用接成實時Agent

動察 Beating AI 快訊，法國 AI 公司 Mistral 發布 Voxtral 3，包括三款語音轉錄模型、一款語音合成模型，以及完整的 Voice Agent SDK。

官方演示中，一名用戶用英語要求預約皮膚科醫生。AI 讀取法語轉診信，調用系統查詢空閒時段，完成預約後再用英語確認。整個過程通過實時語音對話完成。

Voxtral 3 並不是一款包辦所有任務的端到端語音大模型。它採用模塊化設計：轉錄模型負責識別語音、判斷用戶何時說完，Mistral Small 等通用大模型負責推理和調用工具，語音合成模型負責回答。基於 LiveKit 的 SDK 將這些環節串成實時流水線，支持電話和網頁通話，也允許用戶隨時打斷。Mistral 宣稱單輪交互延遲不到 1 秒。開發者還能單獨替換推理模型或語音模型。

轉錄支持的語言從上一代 13 種擴展至 50 多種，語音合成支持 35 種以上語言和 50 多種方言。在 Artificial Analysis 的獨立非實時轉錄測試中，Voxtral Small Transcribe 3 詞錯誤率為 2.1%，排名第三，僅次於阿里巴巴和微軟的模型。語音合成則排名第 13。

API 實時轉錄每分鐘收費 0.008 美元，語音合成每百萬字符 13 美元。企業還可聯繫 Mistral，在自有服務器或私有雲中部署。